नेटवर्क टोपोलॉजी का विकेन्द्रीकृत संघीय शिक्षण में बायज़ेंटाइन लचीलापन पर प्रभाव

संघीय शिक्षण (FL) उपयोगकर्ताओं के बीच प्रशिक्षण डेटा साझा किए बिना मशीन लर्निंग मॉडलों को प्रशिक्षित करने के लिए एक सहयोगात्मक वातावरण सक्षम करता है। यह आमतौर पर केंद्रीय सर्वर पर मॉडल ग्रेडिएंट को एकीकृत करके किया जाता है। विकेन्द्रीकृत संघीय शिक्षण एक उभरता हुआ पैरेडाइम है जो उपयोगकर्ताओं को बिना केंद्रीय एकीकरण सर्वर की आवश्यकता के पीयर-टू-पीयर तरीके से मशीन लर्निंग मॉडलों को सहयोगात्मक रूप से प्रशिक्षित करने में सक्षम बनाता है। हालाँकि, वास्तविक दुनिया के उपयोग प्रशिक्षण वातावरण में विकेन्द्रीकृत FL को लागू करने से पहले, उन नोड्स पर विचार करना आवश्यक है जो FL प्रक्रिया से भटकते हैं (बायज़ेंटाइन नोड्स) जब एक एकीकरण फ़ंक्शन का चयन किया जाता है। हाल के शोध ने क्लाइंट-सर्वर या पूरी तरह से जुड़े नेटवर्क के लिए बायज़ेंटाइन-रोबस्ट एकीकरण पर ध्यान केंद्रित किया है, लेकिन विकेन्द्रीकृत FL के साथ संभावित जटिल टोपोलॉजी के लिए ऐसे एकीकरण योजनाओं का अभी तक मूल्यांकन नहीं किया गया है। इस प्रकार, विभिन्न नेटवर्क टोपोलॉजी में बायज़ेंटाइन लचीलापन के अनुभवजन्य साक्ष्य की आवश्यकता स्पष्ट है। यह कार्य जटिल, बड़े पैमाने पर नेटवर्क संरचनाओं में अत्याधुनिक बायज़ेंटाइन-रोबस्ट एकीकरण विधियों के प्रभावों की जांच करता है। हमें पता चलता है कि अत्याधुनिक बायज़ेंटाइन लचीले एकीकरण रणनीतियाँ बड़े गैर-संपूर्ण रूप से जुड़े नेटवर्क में लचीली नहीं हैं। इस प्रकार, हमारे निष्कर्ष इस क्षेत्र को टोपोलॉजी-जानकारी एकीकरण योजनाओं के विकास की ओर इशारा करते हैं, विशेष रूप से बड़े पैमाने पर वास्तविक दुनिया के लागू करने के संदर्भ में आवश्यक।